[논문 리뷰] A Synthetic Approach for Recommendation: Combining Ratings, Social Relations, and Reviews

Guangneng Hu, Xinyu Dai외 3명|arXiv (Cornell University)|2016. 01. 11.

Recommender Systems and Techniques참고 문헌 32인용 수 37

한 줄 요약

이 논문은 사회적 행위 행렬 분해에서의 잠재 요인과 토픽 모델링에서의 숨겨진 토픽을 정렬함으로써 사용자 평가, 사회적 관계, 항목 리뷰를 통합적으로 모델링하는 MR3라는 통합 프레임워크를 제안한다. 이 방법은 이질적인 데이터 소스를 효과적으로 융합함으로써 평가 예측 정확도를 향상시키며, Epinions 및 Ciao와 같은 실세계 데이터셋에서 뚜렷한 성능 향상을 보여준다.

ABSTRACT

Recommender systems (RSs) provide an effective way of alleviating the information overload problem by selecting personalized choices. Online social networks and user-generated content provide diverse sources for recommendation beyond ratings, which present opportunities as well as challenges for traditional RSs. Although social matrix factorization (Social MF) can integrate ratings with social relations and topic matrix factorization can integrate ratings with item reviews, both of them ignore some useful information. In this paper, we investigate the effective data fusion by combining the two approaches, in two steps. First, we extend Social MF to exploit the graph structure of neighbors. Second, we propose a novel framework MR3 to jointly model these three types of information effectively for rating prediction by aligning latent factors and hidden topics. We achieve more accurate rating prediction on two real-life datasets. Furthermore, we measure the contribution of each data source to the proposed framework.

연구 동기 및 목표

• 기존 추천 시스템이 평가 데이터에만 의존하는 한계를 해결하기 위해, 사회적 관계와 항목 리뷰와 같은 보완적인 데이터 소스를 통합한다.
• 사회적 영향력과 텍스트 콘텐츠를 통합하여 협업 필터링에서의 데이터 희소성 문제와 냉각기 문제를 해결한다.
• 사회적 구조와 리뷰 의미를 평가 예측과 밀접하게 통합하는 통합 프레임워크를 개발하여 다중 데이터 유형의 분리된 모델링을 방지한다.
• 각 데이터 소스—평가, 사회적 관계, 리뷰—가 전체 추천 성능에 기여하는 상대적 기여도를 조사한다.

제안 방법

• 사용자 사회 네트워크의 그래프 구조를 활용하여 사회적 행렬 분해(Social MF)를 확장함으로써, 단순한 사용자 유사도를 넘어서 사회적 영향력을 더 잘 모델링한다.
• 잠재 요인에서의 Social MF와 토픽 모델링에서의 숨겨진 토픽을 정렬함으로써 평가, 사회적 관계, 항목 리뷰를 공동으로 모델링하는 새로운 프레임워크인 MR3를 제안한다.
• 평가 예측, 사회적 관계 모델링, 토픽 모델링을 통합한 통합 목적 함수를 사용하며, 각 구성 요소의 영향력을 제어하는 정규화 항을 포함한다.
• 잠재 요인 정렬을 적용하여 세 가지 데이터 모odal 간에 사용자 선호도와 항목 속성이 일관되게 표현되도록 보장한다.
• 계산 효율성을 유지하면서 사용자 및 항목 표현을 동시에 학습하기 위해 교차 최소 제곱법(Alternating Least Squares, ALS)을 사용하여 모델을 최적화한다.
• 사회적 정보와 리뷰 정보의 상대 기여도를 제어하기 위해 하이퍼파rameter λ_rel 및 λ_rev 를 도입하여 민감도 분석과 모델 튜닝을 가능하게 한다.

실험 결과

연구 질문

• RQ1 사회적 관계와 항목 리뷰를 평가 데이터와 효과적으로 융합하여 추천 정확도를 향상시킬 수 있는가?
• RQ2 하이브리드 추천 시스템에서 사회적 관계와 리뷰의 상대적 기여도는 어떻게 다른가?
• RQ3 사회적 행렬 분해의 잠재 요인과 토픽 모델링의 토픽을 정렬하는 것이 고립된 모델링보다 더 나은 평가 예측을 이끌 수 있는가?
• RQ4 잠재 요인 수와 정규화 가중치와 같은 하이퍼파rameter에 대한 제안된 프레임워크의 민감도는 어떠한가?
• RQ5 다양한 데이터 소스의 통합이 협업 필터링에서의 냉각기 문제와 데이터 희소성 문제를 완화하는가?

주요 결과

• MR3 프레임워크는 기준 모델 대비 뚜렷한 성능 향상을 보이며, Epinions 데이터셋에서 사회적 관계와 리뷰 정보를 모두 제거했을 때 RMSE가 7.99% 상대적으로 감소한다.
• 사회적 관계만 제거했을 때 Epinions에서 성능이 4.29% 상대적으로 RMSE가 악화되며, 이는 사회적 영향력이 정확한 예측을 위해 필수적인 정보를 담고 있음을 시사한다.
• 리뷰 정보만 제거했을 때 Epinions에서 성능이 1.19% 상대적으로 RMSE가 악화되며, 이는 리뷰의 텍스트 콘텐츠도 추천 품질 향상에 의미 있는 기여를 한다는 것을 보여준다.
• 잠재 요인 수 F의 변화에 대해 모델이 안정적으로 작동하며, F = 5에서 100 사이에서 일관된 성능을 보이며, F = 10에서 최적의 안정성을 확보한다.
• λ_rel 및 λ_rev 가 하이퍼파rameter 범위 [0.0001, 0.1] 내에서 모델이 낮은 민감도를 보이며, 최적 값은 λ_rel = 0.001 및 λ_rev = 0.05에서 도출된다.
• 사회적 요소와 리뷰 요소를 모두 비활성화했을 때 RMSE는 1.1502에 도달하며, 이는 세 가지 데이터 소스를 모두 통합적으로 사용할 때 최고의 성능이 달성됨을 확인한다.